Escolar Documentos
Profissional Documentos
Cultura Documentos
2. LOS DATOS
2.1. Observación
Las observaciones constituyen la materia prima con la cual trabajan los investigadores. Para
que se pueda aplicar la estadística a esas observaciones éstas deben estar en forma numérica.
- En el mejoramiento de cultivos, los números bien pueden ser rendimientos por parcela.
- En la investigación médica, pueden ser tiempos de recuperación bajo varios
tratamientos.
- En la industria, pueden ser cantidad de defectos en varios lotes de un artículo
producido en una línea de montaje.
Tales números constituyen datos y su característica común es la variabilidad o variación.
2.2. Datos
Daniel indica que los datos son la materia prima de la estadística. Para este propósito definió
a los datos como números. Las dos clases de números que se utilizan en estadística son
números que resultan de la toma —en el sentido literal del término— de medidas, y aquellos
que resultan del proceso de conteo.
Por ejemplo, cuando una enfermera pesa al paciente o le toma la temperatura, se obtiene la
medida que consiste en una cantidad, por ejemplo 70 kilogramos o 37 grados Centígrados. Un
tipo bastante diferente de números se obtiene cuando el administrador de un hospital cuenta
el número de pacientes, quizá 20, dados de alta en un día. Cada uno de los tres números es un
dato (datum) y los tres juntos son datos.
REDONDEO DE DATOS
El resultado de redondear un número como 72.8 en unidades es 73, pues 72.8 está más
próximo de 73 que de 72. Análogamente, 72.8146 se redondea en centésimas (o sea con
dos decimales) a 72.81, porque 72.8146 está más cerca de 72.81 que de 72.82.
Al redondear 72.465 en centésimas nos hallamos ante un dilema, ya que está
equidistante de 72.46 y de 72.47. Se adopta en tales casos la costumbre de redondear al
entero par que preceda al 5. Así pues, 72.465 se redondea a 72.46, 183.575 se redondea
a 183.58 y 116.500.000 se redondea en millones a 116,000,000. Esta estrategia es
particularmente útil para minimizar los errores de redondeo acumulados cuando se
efectúa un gran número de operaciones.
2.3. Recolección de datos
Levine y Berenson, indican que en muchas ocasiones, los datos son medidas que se obtienen
de los elementos de una muestra, y las muestras se toman de la población, de tal forma que
sean lo más representativas posible. La técnica más común para asegurar una representación
adecuada es usar una muestra aleatoria.
2.4. Sistema y fuentes de información
El desempeño de actividades estadísticas obedece a la necesidad de responder a diversas
preguntas. Por ejemplo, los médicos probablemente quieran encontrar respuestas a preguntas
con respecto a la utilidad relativa de procedimientos de tratamiento alternativos. Los
administradores posiblemente quieran responder a preguntas respecto a áreas de interés como
el espíritu de equipo de los empleados o el uso de las instalaciones. Cuando se determina que
el enfoque adecuado para buscar una respuesta a la pregunta requiere del uso de la estadística,
se comienza a investigar datos apropiados que sirvan como la materia prima en la
investigación. Estos datos normalmente están disponibles de una o más fuentes como las
siguientes:
1. Registros rutinarios. Es difícil imaginar algún tipo de organización que no lleve
registros de la operación diaria de sus actividades. Mientras que los registros clínicos de
un hospital, por ejemplo, contienen una inmensa cantidad de información acerca de los
pacientes, los registros contables de la institución contienen datos en abundancia sobre las
actividades financieras del hospital. Cuando surge la necesidad de tener datos, se debe
buscar primero en los registros que se llevan rutinariamente.
2. Encuesta. Si los datos necesarios para contestar una pregunta no están disponibles a
partir de los registros almacenados de manera rutinaria, la fuente lógica puede ser una
encuesta. Por ejemplo, suponga que el administrador de una clínica desea obtener
información respecto a la forma de transporte que utiliza el paciente para visitar la clínica.
Si la forma de admisión no contiene una pregunta acerca del transporte, es posible llevar a
cabo una encuesta entre los pacientes para obtener esta información.
3. Experimentación. Frecuentemente, los datos necesarios para responder una pregunta
están disponibles sólo como resultado de la experimentación. Tal vez una enfermera quiere
saber qué estrategia es mejor para maximizar el seguimiento de las indicaciones médicas
por parte del paciente. La enfermera podría conducir un experimento en el que se prueben
diferentes estrategias para motivar el cumplimiento del tratamiento en distintos pacientes.
La evaluación subsecuente de las respuestas a las diversas estrategias puede capacitar a la
enfermera para decidir cuál es más efectiva.
4. Fuentes externas. Los datos necesarios para responder a una pregunta pueden ya existir
como informes publicados, bancos de datos disponibles o en la literatura de investigación.
En otras palabras, uno se puede encontrar con que alguien más ya planteó la misma
pregunta y que la respuesta que obtuvo puede aplicarse a la situación presente.
2.5. Población
Habitualmente se considera a una población como una colección de entidades, por lo general
personas. Sin embargo, una población o colección de entidades puede estar compuesta de
animales, máquinas, plantas o células. Una población de entidades se define como la colección
más grande de entidades de interés en un momento particular. Si se toma la medida de alguna
variable para cada una de las entidades en una población, se obtiene una población de valores
para esa variable. Por lo tanto, una población de valores se puede definir como la mayor
colección de valores para una variable aleatoria, los cuales son de interés en un momento
particular. Por ejemplo, si se tiene interés en conocer el peso de todos los niños inscritos en el
sistema de educación primaria del estado, la población está formada por todos esos pesos. Si
se tiene interés sólo en el peso de los estudiantes inscritos en el primer grado, se tiene una
población diferente, compuesta por los pesos de los estudiantes de primer grado. Por lo tanto,
las poblaciones se determinan o definen con base en el campo de interés. Las poblaciones
pueden ser finitas o infinitas. Si una población de valores consiste en un número fijo de esos
valores, se dice que la población es finita. Si, por otra parte, una población consiste en una
sucesión interminable de valores, entonces es una población infinita.
2.6. Muestra
Una muestra puede definirse simplemente como una parte de una población. Suponga que una
población se compone de los pesos de todos los niños inscritos en el sistema de educación
primaria del estado, y se escoge para el análisis sólo una fracción de los niños; entonces se
tiene únicamente una parte de la población, es decir, se tiene una muestra.
2.7. Elaboración de los datos
Steel y Torrie (1988) mencionan que ha sido ampliamente demostrado que no se puede tomar
una muestra aleatoria sin emplear un proceso mecánico. En el proceso usado para obtener una
muestra aleatoria o para introducir la aleatoriedad en un experimento o encuesta, por lo general
interviene una tabla de números aleatorios, como la tabla A.1. Esta tabla está formada por los
dígitos 0, 1, 2, 3, 4, 5, 6, 7, 8 y 9 distribuidos en una tabla de 100 por 100, dando lugar a
10,000 dígitos aleatorios. Estos números se obtuvieron en una máquina y no hay razón para
pensar que algún número apareciera con más frecuencia que otro, ni que alguna sucesión de
números fuese más frecuente que otra, excepto por el azar. Hay 1,015 ceros, 1,026 unos, 1,013
doces, 975 treces, 976 cuatros, 932 cincos, 1,067 seis, 1,013 sietes, 1,023 ochos, 960 nueves;
5,094 son pares y 4 906 son impares. Ilustremos el uso de la tabla tomando una muestra
aleatoria de 10 observaciones de la tabla 4.1. Los datos de la tabla 4.1 se han clasificado de
acuerdo con la magnitud asignándoles números de orden. La organización por orden no es
necesaria para extraer muestras al azar; el orden de los números aleatorios pudo haberse
asignado en forma arbitraria.
Para obtener una muestra aleatoria de 10 pesos, tómense 20 dígitos consecutivos de la tabla
A.1 y regístrense como 10 pares. Estos serán los números de orden de los pesos
correspondientes. Se puede comenzar en cualquier parte de la tabla, pero una forma más
satisfactoria es señalar con el dedo en una de las páginas, leer los cuatro números opuestos
más cercanos a la punta del dedo y utilizar éstos para localizar el punto de partida. Así:
1. En la primera página de la tabla A.1, el dedo encuentra el número 1188 (frente a 10 y
son los primeros cuatro dígitos en la columna 20-24).
2. Se va a la fila 11, columna 88, como punto de partida.
3. Se registran en pares los 20 dígitos que se encuentran yendo hacia la derecha, y que
son 06, 17, 22, 84, 44 y 55; por comodidad, se baja una línea y se procede al revés para obtener
los otros números, o sea, 09,15,30 y 59.
4. Se toman los números de los elementos y se llevan a la tabla 4.1 para obtener las
correspondientes observaciones: 20, 30,32, 51, 39, 41, 25, 29, 35 y 42 libras.
Este es un procedimiento aleatorio que equivale a extraer de una bolsa con 100 fríjoles
marcados con 100 contenidos de grasa de leche, volviendo cada fríjol a la bolsa y mezclando
bien los frijoles antes de cada extracción. Por esta razón, se dice que el muestreo es con
reemplazo. Nótese que cada elemento puede sacarse cualquier número de veces
Tabla 4.1 Ordenamiento en libras, de la grasa de leche producida por 100 vacas Holstein
durante un mes.
Los datos originales se modificaron para que se aproximaran a una distribución normal con
𝜇=40 lb y σ=12 lb.
Unidad Libras Unidad Libras Unidad Libras Unidad Libras
0 10 25 33 50 40 75 47
1 12 26 33 51 40 76 48
2 14 27 34 52 41 77 48
3 15 28 34 53 41 78 48
4 17 29 34 54 41 79 49
5 18 30 35 55 41 80 49
6 20 31 35 56 42 81 49
7 22 32 35 57 42 82 50
8 23 33 36 58 42 83 50
9 25 34 36 59 42 84 51
10 26 35 36 60 43 85 51
11 27 36 37 61 43 86 52
12 28 37 37 62 43 87 52
13 28 38 37 63 43 88 53
14 29 39 37 64 44 89 54
15 29 40 38 65 44 90 55
16 30 41 38 66 44 91 57
17 30 42 38 67 45 92 58
18 31 43 38 68 45 93 60
19 31 44 39 69 45 94 62
20 31 45 39 70 46 95 63
21 32 46 39 71 46 96 65
22 32 47 39 72 46 97 66
23 32 48 40 73 47 98 68
24 33 49 40 74 47 99 70
Fuente: Steel y Torrie (1988)
Luego de usar la Tabla A.1, se obtiene una muestra aleatoria de 10 pesos, procedentes de la
Tabla 4.1
Tabla 4.2 Muestra aleatoria de 10 pesos.
grasa de
pares de leche
dígitos (libras)
06 20
17 30
22 32
84 51
44 39
55 41
09 25
15 29
30 35
59 42
Número de Número de
Año bushels de bushels de
trigo maíz
1975 200 75
1976 185 90
1977 225 100
1978 250 85
1979 240 80
1980 195 100
1981 210 110
1982 225 105
1983 250 95
1984 230 110
1985 235 100
Solución
(a) 1976; (b) 1981 y 1984; (c) 1980; (d) 1978, 1982, 1983 y 1985; (e) 1977 y 1982, y 1978 y
1983; (f) 1983.
Representar los datos del Problema anterior usando: (a) gráficos de trazos y (b) gráficos de
barras.
Solución
(a) La Figura muestra el gráfico de trazos.
300
250
150
Trigo
100 Maíz
50
0
1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
Año
250
Número de bushels
200
150
Trigo
100
Maíz
50
0
1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
Año
400
350
Número de bushels
300
250
200
Maíz
150
Trigo
100
50
0
1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
Año
(a) Expresar la cantidad anual de bushels de trigo y maíz del Problema como porcentajes de
la producción total anual.
(b) Representar los porcentajes obtenidos en la parte (a).
Solución
(a) En 1975 el porcentaje de trigo = 200/(200 + 75) = 72.7%, y el maíz 100% — 72.7% =
27.5%; etc. Los porcentajes se indican en la Tabla 1.5.
Año 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
Porcentaje de trigo 72.70% 67.30% 69.20% 74.60% 75.00% 66.10% 65.60% 68.20% 72.50% 67.60% 70.10%
Porcentaje de maíz 27.30% 32.70% 30.80% 25.40% 25.00% 33.90% 34.40% 31.80% 27.50% 32.40% 29.90%
100.0%
90.0%
80.0%
70.0%
Porcentaje
60.0%
50.0%
Maíz
40.0%
Trigo
30.0%
20.0%
10.0%
0.0%
1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
Año
Ejemplo: Las áreas de los continentes se recogen en la siguiente Tabla. Representar los datos
gráficamente.
Tabla. Áreas de los continentes
Área
Continente 2
km %
Asia 43810000 29.3%
América 42330000 28.3%
África 30370000 20.3%
Antártida 13720000 9.2%
Europa 10180000 6.8%
Oceanía 9008500 6.0%
Total 149418500 100.0%
Solución
DEPARTAMENTO DE CIENCIAS BIOLÓGICAS 23
UNSCH Bioestadística I Prof. Reynán Cóndor A.
Oceanía
Europa
Continentes
Antártida
África
América
Asia
Tabla de frecuencias
Clase o categoría (f¡) (fri) (p¡)
Atributo 1 f1 fr1 p1
Atributo 2 f2 fr2 p2
.
.
.
Atributo k fk frk pk
n 1 100
Donde:
k= Número de clases
n= Número de observaciones o unidades elementales
Frecuencia absoluta ( fi ). Es el número de observaciones que existen en la clase o
categoría i.
k
Se cumple: f
i 1
i n
Tipo de gráficos
Se pueden usar las frecuencias absolutas (fi) o relativas (fri) para elaborar dos tipos de
gráficos
• Gráfico de barras vertical u horizontal
• Gráfico circular
Ejemplo. Se hizo una encuesta a una muestra de 45 clientes del Banco Comercial y se
obtuvo los siguientes resultados:
Gráfico de barras
30.00
25.00
20.00
15.00
%
10.00
5.00
0.00
Ta1 Ta2 Ta3 Ta4 Ta5 Ta6
TARJETA DE CRÉDITO
2%
22% 27%
16%
24%
9%
En el gráfico circular, se aprecia que la tarjeta de crédito Ta6 es la de uso menos frecuente.
Frecuencia Frecuencia
Frecuencia Frecuencia
Categoría absoluta relativa
absoluta relativa
de dolor acumulada acumulada
(fi) (fri)
(F¡) (Fr¡)
Ninguno 31 0.52 31 0.52
Leve 17 0.28 48 0.80
Moderado 8 0.13 56 0.93
Severo 4 0.07 60 1.00
Total 60 1
35 31 0.6 0.52
Frecuencia absoluta
30
Frecuencia relativa
0.5
25
0.4
20 17 0.28
0.3
15
8 0.2 0.13
10
4 0.1 0.07
5
0 0
Ninguno Leve Moderado Severo Ninguno Leve Moderado Severo
Mediciones de dolor percibido Mediciones de dolor percibido
70 1.2
Frecuencia absoluta acumulada
0 0
Ninguno Leve Moderado Severo Ninguno Leve Moderado Severo
Mediciones de dolor percibido Mediciones de dolor percibido
70 1.2
60 60 1 1
56 0.93
50 48 0.8 0.8
40 31 0.6 0.52
30
17 0.4 0.28
20
8 0.2 0.13
10 4 0.07
0 0
Ninguno Leve Moderado Severo Ninguno Leve Moderado Severo
Mediciones de dolor percibido Mediciones de dolor percibido
Tabla de frecuencias
N° de Valor de la (fi)(fri) (p¡)
clase variable
1 X1 f1 fr1 P1
2 X2 f2 fr2 P2
.
.
.
k Xk fk frk Pk
Total n 1 100
Tipo de gráfico. Se elabora el gráfico de bastones o varas con las frecuencias absolutas,
relativas o porcentuales.
Interprete:
f2 = 15 Existen 15 clientes del Banco Comercial que hacen un viaje al mes.
p1 = 22.22 El 22.22% de los clientes no han realizado viajes.
30.00
25.00
20.00
%
15.00
10.00
5.00
0.00
0 1 2 3 4
VIAJES
Donde:
LI i = Límite inferior de la clase i (Límite cerrado)
LSi =Límite superior de la clase i (Límite abierto, salvo última clase que es cerrado)
Marca de clase ( X i' ). Es el punto medio del intervalo de clase. Se considerará como el valor
representativo de los valores que pertenecen al intervalo de clase.
LI i LSi
Se calcula: X i' o X i' X i'1 TIC , donde TIC es el tamaño del intervalo de clase
2
t
Propiedad: Ft Fh
i h 1
fi , h t
Fi
f j i
fri
j 1
Fri
n n j 1
t
Propiedad: Frt Frh
i h 1
fri , h t
Paso 5. Realizar el conteo del conjunto de datos, como el resultado de asignar cada
observación a alguno de los intervalos de clase. Luego completar la tabla hallando
X i' , fi , fri , Fi , Fri
Tipos de gráficos
• Histograma. Se usan las frecuencias absolutas o relativas en el eje vertical y los intervalos
de clase en el eje horizontal.
• Polígono. Se usan las frecuencias absolutas o relativas en el eje vertical y las marcas de clase
en el eje horizontal.
En nuestro ejemplo, k = 6.4556, estamos en el segundo caso, por lo que el número de clases
que se debe considerar es k=6.
Interprete:
DEPARTAMENTO DE CIENCIAS BIOLÓGICAS 34
UNSCH Bioestadística I Prof. Reynán Cóndor A.
f2 = 20; 20 de los clientes tienen un ingreso mensual de por lo menos S/. 3900
pero menos de S/. 5810.
fr4 = 0.0222; 0.0222 es la proporción de clientes que ganan por lo menos S/. 7720 pero
menos de S/. 9630
p5 = 4.44; 4.44% de los clientes ganan por lo menos S/. 9630 pero menos de S/. 11540.
3
F3 fi f1 f 2 f3 11 + 20 + 10 = 41; 41 de los clientes ganan mensualmente por
i 1
que 0.9332 es la proporción de clientes que ganan por lo menos S/. 1990 pero menos
de S/. 9630.
Fr5 - Fr3 = 0.9776 - 0.9110 = 0.0666
5
Fr5 - Fr3 = fr = fr4 + fr5 = 0.0222 + 0.0444 = 0.0666, indica que 0.0666 es la
i4
i
proporción de los clientes que ganan por lo menos S/.7720 pero menos de S/.11540.
3
P3 = pi = pl + p2 + P3 = 24.44 + 44.44 + 22.22 = 91.10, indica que el 91.10% de los
i 1
clientes tienen ingresos mensuales de por lo menos S/.1990 pero menos de S/.7720
P5 - P2 = 97.76 - 68.88 = 28.88
5
P5 - P2 = p
i 3
i =P3 + P4 + P5 =22.22 + 2.22 + 4.44 = 28.88, indica que el 28.88% de
los clientes de ese banco tienen ingresos mensuales por lo menos S/. 5810 pero menos
de S/. 11540.
X 3' = 6.765 es el valor representativo de los clientes que ganan por lo menos S/.5810
pero menos de S/.7720. Las diez observaciones (f3 = 10) que hay en la clase 3 son
representadas por el valor S/. 6765.
Histograma de frecuencias
50.00
40.00
30.00
%
20.00
10.00
0.00
2.945 4.855 6.765 8.675 10.585 12.495
INGRESO
En el histograma se puede apreciar que la clase más frecuente es la segunda esto indica que
los ingresos más frecuentes son de por lo menos S/. 3900 pero menores a S/. 5810.
Polígono de frecuencias
50.00
45.00 44.44
40.00
35.00
30.00
25.00
%
24.44
22.22
20.00
15.00
10.00
5.00 4.44
2.22 2.22
0.00
2.945 4.855 6.765 8.675 10.585 12.495
INGRESO
En el polígono de frecuencias se observa que son pocos los clientes con Ingresos mensuales
altos.
50.00
45.00
40.00
35.00
30.00
25.00
%
20.00
15.00
10.00
5.00
0.00
2.945 4.855 6.765 8.675 10.585 12.495
INGRESO
Ejemplo 4. La tabla 2.4 presenta distribuciones agrupadas para los datos de la presión
sanguínea. Como puede observarse, los valores de presión sanguínea se colocaron en
intervalos que técnicamente se conocen como intervalos de clase. Las diversas distribuciones
se basan entonces en esos intervalos. Al reducir los datos en esta forma, los patrones de
respuesta se distinguen con mayor facilidad. Pero el precio que se paga por la comodidad
interpretativa es la pérdida de información.
Por ejemplo, mientras que es fácil ver que alrededor del 21.5% de los valores cae en el
intervalo 135-139, no hay información acerca de los valores individuales en este intervalo.
Al construir tablas de este tipo se deben responder dos preguntas relacionadas. ¿En cuántos
intervalos se deben agrupar los valores y qué tan grandes deberán ser los intervalos? Muy
pocos intervalos provocan la pérdida de mucha información, mientras que muchos intervalos
hacen fracasar el propósito de resumir los datos. El tamaño de los intervalos dependerá del
número de intervalos utilizados y viceversa. No existen reglas rígidas y rápidas al respecto.
En esencia, usted deseará presentar los datos dándoles el mayor significado posible. Sin
embargo, hay algunas reglas generales que sirven como guía. Una sugerencia común es que
no debe haber menos de seis ni más de 15 intervalos. Otra regla útil es que, cuando sea posible,
se debe usar una anchura en los intervalos de clase de 5 unidades, de 10 unidades o de algún
múltiplo de 10 para que el resumen de los datos sea más comprensible.
TABLA. Las presiones sanguíneas de 144 adolescentes moderadamente obesos.
Paciente 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Presiones sanguíneas 86 90 92 92 93 95 95 95 96 96 97 97 98 98 99
Paciente 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Presiones sanguíneas 100 100 100 100 102 103 105 105 106 107 107 109 110 110 110
Paciente 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
Presiones sanguíneas 111 111 111 114 114 115 115 115 115 115 115 116 116 116 117
Paciente 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
Presiones sanguíneas 118 118 119 119 120 120 120 121 122 122 122 123 123 124 124
Paciente 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
Presiones sanguíneas 124 124 125 125 125 125 126 126 126 126 126 126 126 127 127
Paciente 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
Presiones sanguíneas 127 128 128 128 129 129 129 130 130 130 130 130 131 131 131
Paciente 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105
Presiones sanguíneas 132 132 132 132 133 133 133 133 133 133 133 133 134 134 134
Paciente 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
Presiones sanguíneas 134 134 135 135 135 135 135 135 135 135 136 136 136 137 137
Paciente 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135
Presiones sanguíneas 137 137 137 137 137 137 137 137 137 138 138 138 139 139 139
Paciente 136 137 138 139 140 141 142 143 144
Presiones sanguíneas 139 139 139 140 140 140 140 143 143
Marca de Frec.
Presión Frec. Frec. Frec. Frec. Frec.
N° de clase Acum.
sanguínea Abs. Rel. Porc. Acum. Abs. Acum. Rel.
clases Porc.
[LI-LS> X i' fi fri pi fi fri
Pi
1 [86-94> 90 5 0.035 3.47 5 0.035 3
2 [94-102> 98 14 0.097 9.72 19 0.132 13
3 [102-110> 106 8 0.056 5.56 27 0.188 19
4 [110-118> 114 18 0.125 12.50 45 0.313 31
5 [118-126> 122 21 0.146 14.58 66 0.458 46
6 [126-134> 130 36 0.250 25.00 102 0.708 71
7 [134-142> 138 40 0.278 27.78 142 0.986 99
8 [142-150] 146 2 0.014 1.39 144 1.000 100
144 1 100
30.00
25.00
20.00
15.00
%
10.00
5.00
0.00
90 98 106 114 122 130 138 146
PRESIÓN SANGUÍNEA
Referencia bibliográfica:
Balzarini Mónica; Di Rienzo Julio; Tablada Margot; González, Laura; Bruno Cecilia;
Córdoba Mariano; Robledo Walter; Casanoves Fernando. 2011. Estadística y Biometría.
Editorial Brujas. Argentina.
Guía del curso de estadística general. 2016. Departamento estadística e informática.
UNALM
Blair R. Clifford y Richard A. Taylor. 2008. Bioestadística. Pearson Educación, México, 2008